{"id":784,"date":"2021-12-16T12:01:04","date_gmt":"2021-12-16T11:01:04","guid":{"rendered":"https:\/\/informatik.htwk-leipzig.de\/seminar\/?p=784"},"modified":"2022-01-12T11:06:05","modified_gmt":"2022-01-12T10:06:05","slug":"ibm-watson-assistant","status":"publish","type":"post","link":"https:\/\/informatik.htwk-leipzig.de\/seminar\/lehrveranstaltungen\/betriebliche-informationssysteme\/2021\/ibm-watson-assistant\/","title":{"rendered":"IBM Watson Assistant"},"content":{"rendered":"<h1>Gliederung<\/h1>\n<ol>\n<li>Einf\u00fchrung in IBM Watson<\/li>\n<li>Watson Assistant Chatbot<\/li>\n<li>Beispiel: Einen Chatbot erstellen<\/li>\n<li>Fazit<\/li>\n<li>Quellen<\/li>\n<li>Anhang<\/li>\n<\/ol>\n<h1>Einf\u00fchrung in IBM Watson<\/h1>\n<p><i><span style=\"font-weight: 400\">Watson <\/span><\/i><span style=\"font-weight: 400\">\u00a0ist ein von <\/span><i><span style=\"font-weight: 400\">IBM <\/span><\/i><span style=\"font-weight: 400\">entwickeltes Programm aus dem Bereich der k\u00fcnstlichen Intelligenz, das Antworten auf nat\u00fcrlichsprachliche Fragen gibt und unstrukturierte Daten verarbeiten kann. Unstrukturierte Daten k\u00f6nnen mit Hilfe von <\/span><i><span style=\"font-weight: 400\">Watson<\/span><\/i><span style=\"font-weight: 400\"> in gesch\u00e4ftsrelevantes Wissen und Wettbewerbsvorteile umgewandelt werden. Somit ist <\/span><i><span style=\"font-weight: 400\">IBM Watson<\/span><\/i><span style=\"font-weight: 400\"> als gesch\u00e4ftsf\u00f6rderndes Informationssystem einsetzbar.<\/span><\/p>\n<p><i><span style=\"font-weight: 400\">Watson<\/span><\/i><span style=\"font-weight: 400\"> vereint eine Palette von Produkten, die auf Basis von KI bzw. maschinellen Lernens arbeiten. Dadurch ist es unter anderem m\u00f6glich, relevante Erkenntnisse, Muster und Beziehungen aus unstrukturierten Daten, wie Bildern, E-Mails oder Social-Media-Inhalten zu erhalten. Kundenw\u00fcnsche k\u00f6nnen aus gro\u00dfen Datenmengen entnommen werden oder es k\u00f6nnen Tools zur Verbesserung der Kundenzufriedenheit angeboten werden (z.B. ein Chatbot, der auf nat\u00fcrliche Sprache reagiert und antwortet).<\/span><\/p>\n<h2>Produkt\u00fcbersicht<\/h2>\n<ul>\n<li><b>Watson Assistant<\/b><b><br \/>\n<\/b><span style=\"font-weight: 400\">Erstellen und Implementierung von Chatbots und virtuellen Assistenten\u00a0<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Discovery<\/b><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Eine Such- und Textanalyseplattform auf KI-Basis, die zur Analyse von verborgenen Informationen in Unternehmensdaten genutzt werden kann<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Speech to Text<\/b><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Konversion von Audio und Sprache in geschriebenen Text auf einfache Weise<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Text to Speech<\/b><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Konversion von geschriebenem Text in nat\u00fcrliche Sprache in vielen verschiedenen Sprachen und Stimmen<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Language Translator<\/b><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Dynamisches \u00dcbersetzen von Nachrichten, Patenten oder Konversionsdokumenten<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Natural Language Classifier<\/b><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Interpretation und Klassifikation von nat\u00fcrlicher Sprache auf zuverl\u00e4ssige Weise<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Natural Language Understanding<\/b><b><br \/>\n<\/b><span style=\"font-weight: 400\">Ein NLP-Service (Natural Language Processing) zum\u00a0 Analysieren von Text, um aus Inhalten wie Begriffen, Entit\u00e4ten und Stimmungen Metadaten zu extrahieren.<\/span><\/li>\n<\/ul>\n<ul>\n<li><b>Watson Machine Learning<\/b><b><br \/>\n<\/b><span style=\"font-weight: 400\">Erstellen, Trainieren und Implementieren von Self-Learning-Modellen mit einem automatisieren, interaktiven Workflow mit Hilfe von Machine Learning<\/span><\/li>\n<\/ul>\n<ul>\n<li><span style=\"font-weight: 400\">Weitere Watson Produkte, die auf verschiedene Bereiche spezialisiert sind, wie z.B. Gesundheitswesen, Werbung, Personalwesen, Sicherheit und Risiko und Finanzen<\/span><\/li>\n<\/ul>\n<h1>Watson Assistant &#8211; Chatbot<\/h1>\n<h3>Beschreibung<\/h3>\n<p><span style=\"font-weight: 400\">Watson Assistant ist ein von IBM angebotenes Produkt zur Entwicklung und Integration KI-basierter Chatbots. Ein Chatbot ist eine Dialogschnittstelle, die zum Beispiel f\u00fcr den automatisierten Kundenservice geeignet ist und Kundenfragen beantworten kann. IBM verfolgte mit Watson das Ziel, eine semantischen Suchmaschine zu schaffen, die den Sinn einer in nat\u00fcrlicher Sprache gestellten Frage erfasst und in einer gro\u00dfen Datenbank (die ebenfalls Texte in nat\u00fcrlicher Sprache umfasst) relevante Texte (Antworten) auffindet. <\/span><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Die automatisierte Beantwortung von Fragen ist durch die Verarbeitung nat\u00fcrlicher Sprache (NLP, Natural Language Processing) m\u00f6glich. Ein Kunde stellt dem Chatbot eine Frage und erh\u00e4lt in Echtzeit eine Antwort, die laut IBM schnell geliefert, konsistent und genau ist.<\/span><\/p>\n<p><span style=\"font-weight: 400\">Ein KI-basierter Chatbot wird auch \u201cVirtueller Assistent\u201d genannt und unterscheidet sich von einem traditionellen Chatbot. Ein <\/span><i><span style=\"font-weight: 400\">virtueller Assistent<\/span><\/i><span style=\"font-weight: 400\"> kann anhand der mit ihm gef\u00fchrten Konversationen lernen und passt somit seine Antworten an. Der Bot ist bestrebt, stets genauere und kontextbezogene Antworten zu liefern.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">IBM bietet keinen fertigen Chatbot an, sondern ein Tool, womit ein Unternehmen seinen eigenen auf sich zugeschnittenen Chatbot entwickeln und auf verschiedene Plattformen integrieren kann. Als Zielgruppe sind Unternehmen mit Omnichannel-Konzept zu nennen. <\/span><span style=\"font-weight: 400\"><br \/>\n<\/span><span style=\"font-weight: 400\">Omnichannel ist ein kanal\u00fcbergreifendes Gesch\u00e4ftsmodell f\u00fcr Unternehmen zum Verbessern des Kundenerfahrungsmanagements. Das Ziel ist, dass Kunden \u00fcber mehrere Kan\u00e4le gleichzeitig in st\u00e4ndigem Kontakt mit einem Unternehmen sein k\u00f6nnen.<\/span><\/p>\n<h3>Funktionalit\u00e4t<\/h3>\n<p><span style=\"font-weight: 400\">Die Funktionalit\u00e4t von Watson beruht auf Algorithmen der Nat\u00fcrlichen Sprachverarbeitung und des Information Retrieval, welche auf Methoden des Maschinellen Lernens, der Wissensrepr\u00e4sentation und der automatischen Inferenz aufbauen. Der Prozess, auf dem der Chatbot basiert, l\u00e4sst sich in die folgenden, in Abbildung 1 dargestellten Schritte einteilen.\u00a0<\/span><\/p>\n<ol>\n<li style=\"list-style-type: none\">\n<ol>\n<li style=\"font-weight: 400\"><b>Question Analysis:<\/b><span style=\"font-weight: 400\"> Im ersten Schritt versucht das System die Frage zu verstehen, indem die Struktur des Satzes mit Hilfe eines Parsers analysiert wird und Relationen identifiziert werden. Zudem werden die Fragen in Klassen, wie zum Beispiel Mathefragen und Definitionsfragen eingeordnet und Satzteile, die eine besondere Verarbeitung ben\u00f6tigen, wie zum Beispiel W\u00f6rter mit mehreren Bedeutungen, detektiert.<\/span><\/li>\n<li style=\"font-weight: 400\"><b>Question Decomposition:<\/b><span style=\"font-weight: 400\"> Mit regelbasierten Deep-Parsing- und statistischen Klassifizierungsmethoden erkennt Watson, ob Fragen zerlegt werden sollten und wie sie am besten in Unterfragen aufgeteilt werden k\u00f6nnen. Es findet parallel eine Suche nach Antworten auf die Teilfragen statt. Sp\u00e4ter werden alle Antwortm\u00f6glichkeiten kombiniert.<\/span><\/li>\n<li style=\"font-weight: 400\"><b>Hypothesis Generation:<\/b><span style=\"font-weight: 400\"> Im n\u00e4chsten Schritt werden durch Verwendung der Analyseergebnisse m\u00f6gliche Antworten (Hypothesen) generiert. Dazu werden die Datenquellen des Systems durchsucht und m\u00f6gliche Fragmente in Antwortgr\u00f6\u00dfe ausgew\u00e4hlt. F\u00fcr die Suche werden verschieden Techniken wie zum Beispiel Textsuchmaschinen, die Suche in Wissensdatenbanken mit SPARQL auf Triple Stores und die Dokumentensuche angewendet.\u00a0<\/span><\/li>\n<li style=\"font-weight: 400\"><b>Hypothesis and Evidence Scoring:<\/b><span style=\"font-weight: 400\"> Die Hypothesen durchlaufen anschlie\u00dfend ein Bewertungssystem, das zus\u00e4tzliche Belege f\u00fcr die einzelnen Antwortm\u00f6glichkeiten mit einbezieht. Diese zus\u00e4tzlichen Belege werden zum Beispiel mit der Passagen-Suche gefunden. Bei dieser Suche wird die aus der Frage abgeleiteten Suchanfrage durch die generierte Antwort erg\u00e4nzt, sodass Passagen gefunden werden k\u00f6nnen, in denen Frage und Antwort zusammen vorkommen. Die Evaluation der Belege erfolgt mit Hilfe verschiedener Bewertungsanalysen, die auf Faktoren wie zum Beispiel dem geografischen Standort, zeitlichen Beziehungen, der taxonomischen Klassifizierung und den lexikalischen und semantischen Beziehungen des Kandidats basieren.<\/span><\/li>\n<li><b>Final Merging and Ranking: <\/b><span style=\"font-weight: 400\">Vor dem finalen Ranking der Antworten werden Kandidaten, die sich inhaltlich \u00fcberschneiden unter Anwendung von Algorithmen zum Abgleich, zur Normalisierung und zur Aufl\u00f6sung von Koreferenzen gefunden und zusammengefasst. Das Modell welches anschlie\u00dfend die Rangfolge der Antworten festlegt, wurde zuvor durch maschinelles Lernen trainiert. Je nach Art der Frage wird ein spezifisches Modell eingesetzt.<\/span><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n<figure style=\"width: 530px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"size-medium\" src=\"https:\/\/researcher.watson.ibm.com\/researcher\/files\/us-mike.barborak\/DeepQA-Arch.PNG\" alt=\"Die Architektur des Systems zur automatischen Beantwortung von Fragen\" width=\"530\" height=\"275\" \/><figcaption class=\"wp-caption-text\">Abbildung 1: Die Architektur des Systems zur automatischen Beantwortung von Fragen<\/figcaption><\/figure>\n<h3>Architektur<\/h3>\n<p><span style=\"font-weight: 400\">Omnichannel-Chatbots k\u00f6nnen auf einer Vielzahl von Plattformen\/Kan\u00e4le eingesetzt werden. Das k\u00f6nnen Unternehmenswebseiten, Messenger, soziale Medien, andere mobile Anwendungen, Live-Webchats, <\/span><span style=\"font-weight: 400\">FAQ<\/span><span style=\"font-weight: 400\">-Webseiten, physische Standorte, Telefon und Sprachassistenten wie Amazons Alexa sein. F\u00fcr Nutzende ist das konsistenter, da nahtlos \u00fcber alle Kan\u00e4le hinweg gearbeitet wird. Omnichannel beschreibt dabei die Konsistenz zwischen den verschiedenen Kan\u00e4len. Anfragen, die \u00fcber Kan\u00e4le get\u00e4tigt wurden, werden KI-gesteuert beantwortet, indem beispielsweise Antworten in strukturierten oder unstrukturierten Inhalten gefunden werden. Die Anfrage kann durch Watson Assistant auch direkt an den richtigen Agenten \u00fcbergeben werden.\u00a0<\/span><\/p>\n<figure id=\"attachment_1109\" aria-describedby=\"caption-attachment-1109\" style=\"width: 712px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-1109\" src=\"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-content\/uploads\/2021\/12\/Untitled-Diagram.drawio-3.png\" alt=\"Grobe Darstellung einer Watson Assistant Chatbot Architektur (Eigene Darstellung)\" width=\"712\" height=\"274\" \/><figcaption id=\"caption-attachment-1109\" class=\"wp-caption-text\">Abb. 2: Grobe Darstellung einer Watson Assistant Chatbot Architektur (Eigene Darstellung)<\/figcaption><\/figure>\n<p><span style=\"font-weight: 400\">Die <strong>Chatbot-Applikation<\/strong> nimmt die Benutzereingaben entgegen. Der <b>Parser <\/b>\u00fcbertr\u00e4gt die Eingabe in eine maschinenlesbare Form und leitet sie an den <b>Assistent<\/b> weiter. Dazu muss die Anfrage \u00fcber NLP6 in strukturierte Daten umgewandelt werden. Aus der Anfrage werden der Intent (Absicht) und die Entit\u00e4ts (Typ) herausgefiltert. Die Intents, Entit\u00e4ten und deren Beziehung m\u00fcssen dazu vorerst definiert und der <b>Conversation Service<\/b> trainiert werden.<\/span><span style=\"font-weight: 400\"> Der <strong>Dialog-Skill<\/strong> interpretiert die Benutzereingaben und steuert dann den Gespr\u00e4chsverlauf indem er alle Informationen, die er ben\u00f6tigt, um zu antworten oder eine Transaktion im Namen des Benutzers durchzuf\u00fchren, sammelt. Fragen, die vom Dialog-Skill nicht beantwortet werden k\u00f6nnen, k\u00f6nnen an den <\/span><b>Such-Skill<\/b><span style=\"font-weight: 400\"> weitergeleitet werden, welcher in Wissensdatenbanken des Unternehmens nach relevanten Antworten sucht. <\/span><span style=\"font-weight: 400\">In der <\/span><b>Service-API<\/b><span style=\"font-weight: 400\"> werden den einzelnen Intents zugeh\u00f6rige Aktionen ausgel\u00f6st. <\/span><span style=\"font-weight: 400\">Die Antwort der Service-API wird in ein f\u00fcr Nutzende lesbares Format umgewandelt und der Chatbot-Applikation zur Verf\u00fcgung gestellt.<\/span><\/p>\n<p>&nbsp;<\/p>\n<figure id=\"attachment_1110\" aria-describedby=\"caption-attachment-1110\" style=\"width: 760px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-1110 size-full\" src=\"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-content\/uploads\/2021\/12\/Untitled-Diagram.drawio-1.png\" alt=\"Detaillierte Darstellung der Architektur (Eigene Darstellung)\" width=\"760\" height=\"544\" \/><figcaption id=\"caption-attachment-1110\" class=\"wp-caption-text\">Abb. 3: Detaillierte Darstellung der Architektur (Eigene Darstellung)<\/figcaption><\/figure>\n<h3>Flexible Bereitstellung und Resilienz<\/h3>\n<p><span style=\"font-weight: 400\">Je nach Anforderung kann der Assistant entsprechend skaliert und auch im Nachhinein an sich \u00e4ndernde Anforderungen angepasst werden. Eine lokale Ausf\u00fchrung des Assistenten ist mit IBM Cloud Pak\u00ae for Data m\u00f6glich. Die Ausf\u00fchrung ist \u00fcber die IBM Cloud und andere Public Clouds m\u00f6glich. Eine hohe Verf\u00fcgbarkeit des Assistenten wird sichergestellt (3 Rechenzentren, mind. 8 Meilen voneinander entfernt, rund um die Uhr in Betrieb). Watson Assistant bietet bis zu 99,9 % Verf\u00fcgbarkeit.<\/span><\/p>\n<h3><b>Datensicherheit<\/b><\/h3>\n<p><span style=\"font-weight: 400\">Watson Assistant ist f\u00fcr Informationssicherheit und Datenschutz ISO-zertifiziert (ISO 27001, 27017 und 27018), um die hohen Standards von Unternehmensorganisationen zu erf\u00fcllen.<\/span><\/p>\n<p><span style=\"font-weight: 400\">Es kann selbstst\u00e4ndig angepasst werden, welche Daten genutzt und \u00fcber diverse Instanzen hinweg aufgezeichnet werden. \u00dcber die optionale Datenisolation wird eine Single-Tenant-Umgebung bereitgestellt. Es wird gew\u00e4hrleistet, dass die Daten durch Verschl\u00fcsselungstechniken sowie Optionen f\u00fcr private Endpunkte und BYOK (Bring Your Own Keys) sicher sind. Der Datenschutz wird anhand von Sicherheitstests laufend \u00fcberpr\u00fcft. Die Anzeige- und Bearbeitungs-Zugriffe f\u00fcr Skills, Assistenten und ganze Instanzen k\u00f6nnen zudem gesteuert werden. Aktualisierungen k\u00f6nnen anhand eines Protokolls verfolgt werden, um f\u00e4lschliche Aktionen erkennen zu k\u00f6nnen.<\/span><\/p>\n<h1>Beispiel: Einen Chatbot erstellen<\/h1>\n<p>Der \u201eWatson Assistant\u201c ist ein Werkzeug zur individuellen Entwicklung eines Chatbots und bietet drei M\u00f6glichkeiten zur Dialogerstellung:<\/p>\n<ul>\n<li><strong>Aktionsskill<\/strong>\u00a0: Bietet eine einfache Schnittstelle, \u00fcber die ein Dialogablauf f\u00fcr einen Assistenten erstellt werden kann.<\/li>\n<li><strong>Dialogskill<\/strong>: Verwendet die Watson-Verarbeitung f\u00fcr nat\u00fcrliche Sprache und Technologien f\u00fcr maschinelles Lernen, um Benutzerfragen und -anforderungen zu verstehen und sie mit Antworten zu beantworten, die selbst verfasst wurden.<\/li>\n<li><strong>Suchskill<\/strong>\u00a0: Verwendet f\u00fcr eine bestimmte Benutzerabfrage den IBM Watson\u2122 Discovery-Service, um nach einer Datenquelle mit Self-Service-Inhalten zu suchen und eine Antwort zur\u00fcckzugeben.<\/li>\n<\/ul>\n<p>Im Folgenden werden die wichtigsten Begrifflichkeiten aufgef\u00fchrt, die bei der Verwendung des Werkzeuges relevant sind, wenn ein Dialogskill erstellt werden m\u00f6chte.<\/p>\n<p><span style=\"font-weight: 400\">Ein <\/span><b>Assistant<\/b><span style=\"font-weight: 400\"> ist ein Chatbot, der mehrere Skills besitzen kann. \u200bEin <\/span><b>Skill<\/b><span style=\"font-weight: 400\"> beschreibt dabei eine spezifische F\u00e4higkeit eines Assistants. Ein Unternehmen kann ein Assistant verwalten und verschiedene Skills, je nach Themenschwerpunkt, anbieten. Das Kernst\u00fcck des Skills ist der <\/span><b>Dialog; <\/b><span style=\"font-weight: 400\">eine Baumstruktur. Jeder Skill hat einen Dialog, der die Kommunikationsstruktur bez\u00fcglich eines Themenschwerpunktes darstellt. Am Dialog arbeitet der <\/span><b>Redaktionelle Anwender<\/b><span style=\"font-weight: 400\">, um Antwortm\u00f6glichkeiten zu definieren, die in Reaktion auf Kundentexte ( = was ein Kunde in den Chat schreibt) ausgegeben werden. Genauso definiert der Redaktionelle Anwender f\u00fcr jede Antwort eine <\/span><b>Bedingung,<\/b><span style=\"font-weight: 400\"> die erf\u00fcllt werden muss, damit sie ausgegeben wird.\u00a0\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Um die nat\u00fcrlichsprachlichen Kundentexte zu verstehen, liegt dem Assistant eine K\u00fcnstliche Intelligenz zu Grunde. So k\u00f6nnen Kundentexte mit Absichten (Intents) in Verbindung gebracht werden, um daraufhin die richtige, zuvor definierte, Antwort auszugeben. E\u200bin <\/span><b>Intent <\/b><span style=\"font-weight: 400\">ist ein Oberbegriff, der irgendetwas zusammenfasst. Intents werden manuell angelegt und mit User Examples bef\u00fcllt. <\/span><b>User Examples <\/b><span style=\"font-weight: 400\">sind potenzielle Kundentexte, die zu dem jeweiligen Intent passen.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Beispiel: Ein Skill soll bei einem Online-Shop f\u00fcr Kleidung die Kunden bez\u00fcglich der aktuellen Trends beraten, um die Beratung in einem physischen Store zu imitieren. Die erste \u00dcberlegung eines Redaktionellen Anwenders ist, welche Fragen der Skill beantworten k\u00f6nnen soll; dazu werden dann Oberbegriffe (die Intents) definiert. Ein Intent, der mit \u201c#\u201d gekennzeichnet wird, kann dann zum Beispiel \u201c<\/span><span style=\"font-weight: 400\">#Farbe<\/span><span style=\"font-weight: 400\">\u201d sein. Daraufhin m\u00fcssen User Examples definiert werden, die ein Redaktioneller Anwender zun\u00e4chst basierend auf fachlicher Expertise sch\u00e4tzt: (Mindestens 5, im besten Fall 30)<\/span><span style=\"font-weight: 400\"><br \/>\n<\/span><\/p>\n<ul>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">Welche Farben sind im Trend?<\/span><\/code><\/li>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">Trendfarben\u00a0<\/span><\/code><\/li>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">angesagte Farben<\/span><\/code><\/li>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">Welche Farbe passt am besten zu mir?<\/span><\/code><\/li>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">Ich m\u00f6chte eine Farbberatung<\/span><\/code><\/li>\n<li style=\"font-weight: 400\"><code><span style=\"font-weight: 400\">\u2026<\/span><\/code><\/li>\n<\/ul>\n<p><span style=\"font-weight: 400\">Die zugrundeliegende KI speist die User Examples ein, durchl\u00e4uft einen Trainingsprozess und wird daraufhin den Intent #Farbe erkennen k\u00f6nnen, wenn sich der Kundentext mit den User Examples \u00e4hnelt. Damit das korrekte Erkennen von Intents nicht ausschlie\u00dflich von den User Examples abh\u00e4ngt, wird\u00a0 fortw\u00e4hrend mit realen Kundentexten weiter trainiert.\u00a0<\/span><\/p>\n<p><span style=\"font-weight: 400\">Neben Intents gibt es noch Entit\u00e4ten, die bei der spezifischen Ausgabe von Antworten unterst\u00fctzen. Eine <\/span><b>Entit\u00e4t<\/b><span style=\"font-weight: 400\"> beschreibt ein Objekt und weist ihnen <\/span><b>Werte<\/b><span style=\"font-weight: 400\"> zu.\u200b Das Erkennen von Entit\u00e4ten erfolgt textuell; sie werden nur erkannt, wenn der Kunde konkret den Namen oder seinen Wert schreibt. Formal wird eine Entit\u00e4t \u201c<code>@Name:Wert<\/code>\u201d geschrieben. Eine Entit\u00e4t \u201c<code>@Jahreszeit<\/code>\u201d mit vier Werten k\u00f6nnte definiert werden als: <code>@Jahreszeit:Fr\u00fchling, @Jahreszeit:Sommer, @Jahreszeit:Herbst, @Jahreszeit:Winter<\/code>.<\/span><\/p>\n<p><span style=\"font-weight: 400\">Intents und Entit\u00e4ten k\u00f6nnen beliebig genutzt und kombiniert werden, um Bedingungen, und somit Antworten bei Erf\u00fcllung der Bedingungen, zu definieren. Operatoren sind erlaubt. Beispiel:<\/span><\/p>\n<p><span style=\"font-weight: 400\"><code>If Assistant recognizes #Farbe &amp;&amp; @Jahreszeit:Herbst<br \/>\nthen reply<br \/>\nHerbstliche Trendfarben sind erdig und nat\u00fcrlich. [...]<\/code><\/span><\/p>\n<h1>Fazit<\/h1>\n<h3>Vorteile<\/h3>\n<ul>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Automatisierung bestimmter Prozesse, um Zeit und Geld zu sparen, sowie Fehlerquoten zu reduzieren<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Beherrschung einer formalen Abfragesprache nicht n\u00f6tig, denn die Anfragen werden in nat\u00fcrlicher Sprache get\u00e4tigt<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">\u00dcbertragbar auf jedes Cloud-gest\u00fctzte Unternehmen<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Einfache Verkn\u00fcpfung mit anderen IBM Watson Produkten<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Auch f\u00fcr gr\u00f6\u00dfere Chatbots und intensive Nutzung gebaut<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Ein gro\u00dfer Vorteil ist, dass mit dem Chatbot einerseits ein Prozess (zb. die Kundenberatung) automatisiert werden kann, und gleichzeitig wichtige Daten sammelbar sind. Alles, was mit dem Chatbot kommuniziert wird, kann analysiert werden und zu Gesch\u00e4ftsvorteilen umgewandelt werden.<\/span><\/li>\n<\/ul>\n<h3>Nachteile<\/h3>\n<ul>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Generiert nicht f\u00fcr jeden Anwendungsfall einen Mehrwert (auch ethisch diskutierbar: welche Bereiche sollten nicht automatisiert werden?)<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Kunden verwechseln Bot ggf. mit echten Menschen<\/span><\/li>\n<li style=\"font-weight: 400\"><span style=\"font-weight: 400\">Trotz vorgefertigter Architektur hoher Zeitaufwand bei gr\u00f6\u00dferen Chatbots<\/span><\/li>\n<\/ul>\n<h1>Quellen<\/h1>\n<p><a href=\"https:\/\/blog.atinternet.com\/en\/author\/jmcamiade\/\">Camiade<\/a>, Jean Marie (2013, 07. November). Multi-channel, cross-channel, omni-channel retailing: business in all its forms. Digital Analytics by AT Internet. <a href=\"https:\/\/blog.atinternet.com\/en\/multi-channel-cross-channel-omni-channel-retailing-business-forms\/\">https:\/\/blog.atinternet.com\/en\/multi-channel-cross-channel-omni-channel-retailing-business-forms\/<\/a> (Zugriff am 05.01.22).<\/p>\n<p><a href=\"https:\/\/developer.ibm.com\/profiles\/scott.dangelo\">D&#8217;Angelo<\/a>, Scott (2019, 6. August). Introduction to Watson Assistant &#8211; Learn the basics of the Watson Assistant Service (\u00dcberarbeitet 2021, 4. Oktober). IBM Developer. <a href=\"https:\/\/developer.ibm.com\/articles\/introduction-watson-assistant\/\">https:\/\/developer.ibm.com\/articles\/introduction-watson-assistant\/<\/a> (Zugriff 05.01.2022).<\/p>\n<p>Campos, Adrian; Boyer, Jerome (o. D.). Build an IT support chatbot by using IBM Watson Assistant. <a href=\"https:\/\/www.ibm.com\/cloud\/architecture\/tutorials\/build-it-support-chatbot-watson-assistant?task=4\">https:\/\/www.ibm.com\/cloud\/architecture\/tutorials\/build-it-support-chatbot-watson-assistant?task=4<\/a> (Zugriff 05.01.2022)<\/p>\n<p>IBM (o.D.). IBM Watson. <a href=\"https:\/\/www.ibm.com\/watson\/\">https:\/\/www.ibm.com\/watson\/<\/a>\u00a0(Zugriff 05.01.2022)<\/p>\n<p>IBM (o.D.). IBM Watson Products. <a href=\"https:\/\/www.ibm.com\/watson\/products-services\">https:\/\/www.ibm.com\/watson\/products-services<\/a> (Zugriff 05.01.2022)<\/p>\n<p>IBM \u2013 Watson Assistant (o. D.). Customer experience integrations. <a href=\"https:\/\/www.ibm.com\/products\/watson-assistant\/integrations\">https:\/\/www.ibm.com\/products\/watson-assistant\/integrations<\/a> (Zugriff 05.01.2022)<\/p>\n<p>IBM \u2013 Watson Assistant (o. D.). Dialogorientierte KI, die auf Unternehmen abgestimmt ist. <a href=\"https:\/\/www.ibm.com\/de-de\/products\/watson-assistant\/enterprise-security\">https:\/\/www.ibm.com\/de-de\/products\/watson-assistant\/enterprise-security<\/a> (Zugriff 05.01.2022)<\/p>\n<p>IBM (o.D.). IBM Watson Products. <a href=\"https:\/\/www.ibm.com\/watson\/products-services\">https:\/\/www.ibm.com\/watson\/products-services<\/a> (Zugriff 05.01.2022)<\/p>\n<div>\n<p><i>The DeepQA Research Team &#8211; IBM<\/i>. (o. D.). IBM Research. <a href=\"https:\/\/researcher.watson.ibm.com\/researcher\/view_group_subpage.php?id=2159\">https:\/\/researcher.watson.ibm.com\/researcher\/view_group_subpage.php?id=2159<\/a> (Zugriff: 05.01.2022)<\/p>\n<\/div>\n<p>Ferrucci, D., Brown, E., Chu-Carroll, J., Fan, J., Gondek, D., Kalyanpur, A. A., Lally, A., Murdock, J. W., Nyberg, E., Prager, J., Schlaefer, N. &amp; Welty, C. (2010). Building Watson: An Overview of the DeepQA Project. <i>AI Magazine<\/i>, <i>31<\/i>(3), 59.<\/p>\n<h1>Anhang<\/h1>\n<p>Lesenswert:\u00a0<a href=\"https:\/\/www.ibm.com\/downloads\/cas\/ZDJDQLGV\">Watson Assistant &#8211; The AI assistant that solves customer issues the first time<\/a><\/p>\n<p><a href=\"https:\/\/cloud.ibm.com\/docs\/assistant?topic=assistant-getting-started\">Doku<\/a><\/p>\n<p>Pr\u00e4sentation<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Gliederung Einf\u00fchrung in IBM Watson Watson Assistant Chatbot Beispiel: Einen Chatbot erstellen Fazit Quellen Anhang Einf\u00fchrung in IBM Watson Watson<\/p>\n","protected":false},"author":47,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[73,76,78,74,77,79,75],"class_list":["post-784","post","type-post","status-publish","format-standard","hentry","category-betriebliche-informationssysteme","tag-chatbot","tag-daten","tag-deep-learning","tag-ki","tag-machine-learning","tag-nlp","tag-virtuelle-assistenten"],"_links":{"self":[{"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/posts\/784","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/comments?post=784"}],"version-history":[{"count":45,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/posts\/784\/revisions"}],"predecessor-version":[{"id":1237,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/posts\/784\/revisions\/1237"}],"wp:attachment":[{"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/media?parent=784"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/categories?post=784"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/informatik.htwk-leipzig.de\/seminar\/wp-json\/wp\/v2\/tags?post=784"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}